1.一种基于自注意力生成对抗网络的车牌运动模糊图像处理方法，其特征在于由下述步骤组成：(1)数据集预处理

取车牌清晰图片数据集S0共4994张，图片大小为500×500像素；

1)随机生成角度τ，角度范围是(0,2π)，对τ采用马尔可夫随机过程方法生成运动轨迹矢量，对运动轨迹矢量采用亚像素插值法生成模糊内核，模糊内核与清晰图片数据集S0卷积生成车牌模糊图片数据集B0；

2)将车牌清晰图片数据集S0与相对应的车牌模糊图片数据集B0构成清晰‑模糊图片对数据集；

3)清晰‑模糊图片对数据集中按3：1的比例划分为训练集P和测试集Q，其中训练集P内车牌清晰图片数据集为S，车牌模糊图片数据集为B；训练集Q内车牌清晰图片数据集为S1，车牌模糊图片数据集为B1；

(2)构建网络模型

1)构建生成对抗网络模型的生成器G

A构建自注意力机制的基础特征提取网络

模块1‑1用基础E1卷积层块卷积操作得特征图C1，连接自注意力机制卷积层网络I，自注意力机制卷积层网络I卷积核输入通道数为32；

模块1‑2用基础E2卷积层块对模块1‑1输出的特征图卷积操作，连接自注意力机制卷积层网络I，自注意力机制卷积层网络I卷积核输入通道数为64，得到特征图C2；

模块1‑3用基础E3卷积层块对特征图C2卷积操作，连接自注意力机制卷积层网络I，自注意力机制卷积层网络I卷积核输入通道数为192，得到特征图C3；

模块1‑4用基础E4卷积层块对特征图C3卷积操作，连接自注意力机制卷积层网络I，自注意力机制卷积层网络I卷积核输入通道数为1088，得到特征图C4；

模块1‑5用基础E5卷积层块对特征图C4卷积操作，得到特征图C5；

B构建特征图融合网络：

模块1‑6是卷积核大小为1×1的卷积层，对特征图C5卷积操作，得到特征图D5，用最近邻上采样法对特征图D5进行上采样，得到特征图K5；

模块1‑7是卷积核大小为1×1的卷积层，对特征图C4卷积操作与特征图K5叠加，连接卷积核大小为3×3的卷积层卷积操作，得到特征图D4，用最近邻上采样法对特征图D4进行上采样，得到特征图K4；

模块1‑8是卷积核大小为1×1的卷积层，对特征图C3卷积操作与特征图K4叠加，连接卷积核大小为3×3的卷积层卷积操作得到特征图D3，用最近邻上采样法对特征图D3进行上采样，得到特征图K3；

模块1‑9是卷积核大小为1×1的卷积层，对特征图C2卷积操作与特征图K3叠加，连接卷积核大小为3×3的卷积层卷积操作得到特征图D2；

模块1‑10是卷积核大小为1×1的卷积层，对特征图C1卷积操作得到特征图D1；

模块1‑11是对特征图集合{D2，D3，D4，D5}分别进行扩大因子为1，2，4，8的最近邻上采样法上采样操作，得到的结果拼接融合为特征图R1；

模块1‑12是卷积核大小为3×3的卷积层，对特征图R1卷积操作，串联自注意力机制卷积层网络I，用最近邻上采样法进行上采样操作，与特征图D1叠加，其后连接3×3卷积核的平滑卷积层；

2)构建生成对抗网络模型的判别器D

判别器D的构建方法如下：

模块2‑1是基础H1卷积层依次连接基础H2卷积层、自注意力机制卷积层网络I，自注意力机制卷积层网络I的输入通道数为256；

模块2‑2基础H3卷积层连接自注意力机制卷积层网络I，自注意力机制卷积层网络I输入通道数为512，得到局部信息判别器的概率值Pl；

模块2‑3基础H4卷积层连接自注意力机制卷积层网络I，自注意力机制卷积层网络I输入通道数为512；

模块2‑4基础H5卷积层连接自注意力机制卷积层网络I，自注意力机制卷积层网络I输入通道数为512，得到全局信息判别器的概率值Pg；

3)自注意力机制卷积层网络I的构建方法

上述的自注意力机制卷积层网络I的构建方法如下：

A构建注意力影响权重分布层

按下式得到自注意力机制的影响权重分布图αj,i：T

sij＝f(xi) g(xj)

其中xi表示输入的特征图x上位置i的值，xj表示输入的特征图x上位置j的值，g(xj)，f(xi)分别表示卷积核大小为1×1的卷积层对输入的特征图x上像素j，i卷积操作，i,j∈{1,

2,...,N}，N是图像上的位置总数，N为有限的正整数，μ的值是10，ω的值是0.5；

B构建自注意力特征图层

按下式得到自注意力机制特征图oj：

其中h(xi)表示卷积核大小为1×1的卷积层对输入的特征图x上像素i卷积操作，αj,i是影响权重分布层得到的输出结果；

C构建输出层

按下式得卷积层输出yj：

yj＝γoj+xj

其中oj是自注意力层的输出结果，γ表示可训练权重，被初始化为0，表示模型将探索局部空间信息；

(3)训练生成对抗网络

1)确定损失函数

损失函数Loss由下式确定:

LG＝0.5×Lp+0.006×LX+0.01×Ladv其中Lp为均方误差损失，LX欧氏距离损失，Ladv对抗损失，Ladv由下式定义：

2 2

Ladv＝Es～p(S)[(D(s)‑Eb～p(B)D(G(b))‑1) ]+Eb～p(B)[(D(G(b))‑Es～p(S)D(s)+1) ]其中s～p(S)表示从车牌清晰图片数据集S中取出清晰图片s，p(S)表示车牌清晰图片数据集S中的概率分布；b～p(B)表示从车牌模糊图片数据集B中取出模糊图片b，p(B)表示车牌模糊图片数据集B中的概率分布；D(s)表示判别器对输入的清晰图片s判别为真的概率，G(b)表示输入模糊图片b后生成器G的输出结果图片，D(G(b))表示判断生成器在输入模糊图片b后的输出是否为真的概率，E[·]表示对括号内部值取期望；

2)训练生成对抗网络的判别器D和生成器G

生成对抗网络的生成器G输入为训练集P中车牌模糊图片数据集B的模糊车牌图像，输出的图像作为生成对抗网络判别器D的输入，判别器D判断生成器G输出的图像是否是真实图像的概率，在训练判别器D和生成器G过程中，生成对抗网络的学习率γ为0.0001，优化器为自适应矩估计优化器，每次迭代使用图片的数量为Z，Z取值范围是[4,16]，训练迭代直至生成对抗网络的损失函数Loss收敛；

(4)保存权重文件

每迭代M次保存一次相应的参数及权重文件，其中M取值范围是[100,10000]；

(5)测试网络

将测试集Q中车牌模糊图片数据集B1中的模糊图像输入到基于自注意力机制的生成对抗网络模型，加载保存的参数和权重文件，输出清晰车牌图像。

2.根据权利要求1所述的基于自注意力生成对抗网络的车牌运动模糊图像处理方法，其特征在于：在训练生成对抗网络的判别器D和生成器G步骤(3)的步骤2)中，所述的Z取值为8。

3.根据权利要求1所述的基于自注意力生成对抗网络的车牌运动模糊图像处理方法，其特征在于：在保存权重文件步骤(4)中，所述的M取值为5000。